في عالم الذكاء الاصطناعي الحديث، يتطلب التفاعل الفعّال مع نماذج اللغات الضخمة (Large Language Models) وجود ذاكرة مستمرة لاستيعاب الأكواد الكاملة، والسجلات التاريخية التفاعلية، والبيانات المتنوعة من المؤسسات. هنا يأتي دور 'ميغا ميم' (MegaMem)، النظام الثوري الذي يتيح الاسترجاع الفعال للمعلومات من خلال إدارة سياقات عملاقة.

تتمثل التحديات الرئيسية في كيفية الحفاظ على إمكانية البحث في مئات الملايين من الرموز (tokens) مع تمرير الأدلة المحدودة فقط إلى نموذج الإجابة. 'ميغا ميم' يعالج هذا التحدي من خلال استخدام نظام استرجاع مزدوج المنظور، حيث يتم فصل الوصول الدلالي عن الأدلة المستخدمة للتوليد.

يعتمد 'ميغا ميم' على البحث في سجلات مُكثَّفة من خلال استعلامات أصلية ومعدلة، مما يضمن أن كل دليل مُكثَّف يتم توصيله إلى معرف مصدر غير قابل للتغيير. بعد ذلك، يتم إجراء تصنيف تقديري متبادل (reciprocal-rank fusion) وإزالة التكرار وإعادة تصنيف المؤشرات المتقاطعة، حيث يدعم فقط أعلى الأدلة رتبة ضمن ميزانية ثابتة عملية التوليد. وفي النهاية، يسمح التخصيص بعد الإجابة بتحديد المصادر المُحمَّلة التي تدعم الإجابة النهائية.

في التقييم على معيار EnterpriseRAG-Bench، الذي يحتوي على أكثر من 500,000 وثيقة مؤسسية متنوعة وحوالي 650 مليون رمز، أظهر 'ميغا ميم' تحسنًا ملحوظًا في الدقة من 68.22 إلى 82.26، مع الوصول إلى معدل دقة 86.50.

تشير هذه النتائج إلى أن 'ميغا ميم' يدعم الذاكرة المستمرة الضخمة بينما يحافظ على دقة الإجابات العالية ضمن سياق توليدي محدود. من خلال فصل مقياس الذاكرة القابل للبحث عن حجم سياق الإجابة، يقدم 'ميغا ميم' طريقًا عمليًا لاسترجاع دقيق للمعلومات من ذاكرات تتراوح من مئات الملايين إلى مليار رمز.

لمن يرغب في الاطلاع على المزيد، يمكن العثور على الشيفرة المصدرية لهذا المشروع الرائد على GitHub. انضموا إلينا في رحلة الاستكشاف والإبداع في مجال الذكاء الاصطناعي!